Moran I test under randomisation
data: perd_cantones$perdida_mill
weights: W
Moran I statistic standard deviate = 5.8434, p-value = 2.557e-09
alternative hypothesis: greater
sample estimates:
Moran I statistic Expectation Variance
0.374927843 -0.012500000 0.004395878
Call: spatialreg::spautolm(formula = formula, data = data, listw = listw,
na.action = na.action, family = family, method = method,
verbose = verbose, trs = trs, interval = interval, zero.policy = zero.policy,
tol.solve = tol.solve, llprof = llprof, control = control)
Residuals:
Min 1Q Median 3Q Max
-20376.9 -8100.4 -2558.9 2701.6 56507.7
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 32928.277 3948.328 8.3398 < 2.2e-16
IDS -354.680 64.303 -5.5157 3.473e-08
Lambda: 0.15207 LR test value: 0.64413 p-value: 0.42222
Numerical Hessian standard error of lambda: 0.18709
Log likelihood: -879.7454
ML residual variance (sigma squared): 158260000, (sigma: 12580)
Number of observations: 81
Number of parameters estimated: 4
AIC: 1767.5
Call: spatialreg::spautolm(formula = formula, data = data, listw = listw,
na.action = na.action, family = family, method = method,
verbose = verbose, trs = trs, interval = interval, zero.policy = zero.policy,
tol.solve = tol.solve, llprof = llprof, control = control)
Residuals:
Min 1Q Median 3Q Max
-20224.7 -7244.3 -1529.2 4408.3 56115.2
Coefficients:
Estimate Std. Error z value Pr(>|z|)
(Intercept) 3.0278e+04 3.9468e+03 7.6715 1.710e-14
IDS -3.6725e+02 6.2859e+01 -5.8425 5.142e-09
poblac_total 5.9896e-02 2.6294e-02 2.2779 0.02273
Lambda: 0.26223 LR test value: 0.72507 p-value: 0.39449
Numerical Hessian standard error of lambda: 0.42708
Log likelihood: -878.2767
ML residual variance (sigma squared): 152260000, (sigma: 12339)
Number of observations: 81
Number of parameters estimated: 5
AIC: 1766.6
Global Moran I for regression residuals
data:
model: lm(formula = perdida_mill ~ IDS + poblac_total +
IGM_Desarrollo_Gestion_Inst + IGM_Planif_Partic_Ciud_Rend_Cuent +
IGM_Gestion_Desarrollo_Amb + IGM_Gestion_Servicios_Econ +
IGM_Gestion_Serv_Social, data = perd_cantones@data)
weights: W
Moran I statistic standard deviate = 1.2128, p-value = 0.2252
alternative hypothesis: two.sided
sample estimates:
Observed Moran I Expectation Variance
0.058305291 -0.022635632 0.004453807
Call:
lm(formula = perdida_mill ~ IDS, data = perd_cantones@data)
Residuals:
Min 1Q Median 3Q Max
-20478 -8047 -2513 3563 57762
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 34395.11 3582.57 9.601 6.57e-15 ***
IDS -376.18 58.96 -6.380 1.11e-08 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 12820 on 79 degrees of freedom
Multiple R-squared: 0.3401, Adjusted R-squared: 0.3317
F-statistic: 40.71 on 1 and 79 DF, p-value: 1.113e-08
Se obtiene una distribución espacial las pérdidas por eventos con declaratoria de emergencia, la cual constituye a una herramienta útil, para comprender su comportamiento.
Se halló que entre mayor calidad de vida de los seres humanos en sus respectivos cantones menor el montón en las pérdidas por eventos con declaratoria de emergencia, lo cual indica que parte del desarrollo en economía, salud, educación y seguridad implementado por las municipales, juega un papel importante en la disminución en pérdidas.
La priorización promueve la implementación de políticas de adaptación preventivas tanto en los cantones que ya han afectados por eventos de emergencia como los cantones que aún no han presentado gran cantidad de pérdidas.
Para enriquecer los resultados obtenidos se recomienda incorporar variables meteorológicas, puesto que puede que expliquen de mejor manera el comportamiento de las pérdidas, de esta manera obtener una priorización de cantones más exacta.